Преодоление потерь данных при носимых устройствах для обнаружения болезней с помощью импутации на основе GAN

Почему пропущенные данные с носимых устройств важны

Фитнес‑трекеры и умные часы обещают заманчивую возможность: что если они смогут предупредить нас об инфекции за дни до появления симптомов? Во многих регионах мира, особенно в сельской местности с малым количеством клиник и лабораторий, такое раннее предупреждение может означать разницу между легким заболеванием и опасным исходом. Но в реальной жизни люди забывают надеть устройства, батареи разряжаются, а интернет‑соединение обрывается. В этом исследовании рассматривается простой, но критический вопрос: можно ли восстановить такие прерывающиеся потоки данных достаточно хорошо, чтобы по ним по‑прежнему выявлять ранние признаки болезни?

Преобразование разрывов в полезный сигнал

Исследователи сосредоточились на данных сердечного ритма с наручных устройств, потому что ночной уровень покоя сердечного ритма обычно слегка повышается до появления симптомов. Вместо того чтобы отбрасывать ночи с пропущенными показаниями, они использовали тип искусственного интеллекта, называемый генеративно-состязательной сетью (GAN), чтобы заполнить пробелы. Представьте себе GAN как очень опытного угадывающего, который изучил типичные суточные шаблоны сердечного ритма и может восстановить то, что, вероятно, происходило в пропущенные часы, одновременно позволяя необычным изменениям, вызванным инфекцией, сохраняться.

Тестирование идеи на двух очень разных заболеваниях

Чтобы проверить работоспособность подхода в реальных условиях, команда изучила две большие когорты людей. Одна — когорта COVID‑19 в США с более чем 3000 участниками, у которых в целом были надежные данные с носимых устройств. Другая — гораздо меньшая когорта малярии в сельском Западном Кении, где было записано лишь около половины ожидаемых показаний сердечного ритма из‑за проблем с подзарядкой, связью и временем ношения. Примечательно, что GAN был обучен только на данных COVID‑19, но при этом сумел реконструировать правдоподобные шаблоны сердечного ритма в когорте по малярии без дополнительной дообучки.

Поиск скрытых инфекций в сельской Кении

В исследовании малярии в Кении 300 взрослых носили наручные браслеты, пока полевые работники регулярно тестировали их на малярию и собирали дневники симптомов. Авторы объединили восстановленные GAN ночные значения сердечного ритма с простой правиловой системой, отслеживающей устойчивые повышения по сравнению с обычным базовым уровнем человека. Из 161 инфекции малярии их система заранее сгенерировала предупреждения в 100 случаях, и в 42 из них предупреждение не появилось бы вовсе без заполнения пропущенных данных. В среднем эти предупреждения возникали примерно за 12 дней до появления симптомов по самооценке, что почти соответствует известному времени, за которое паразиты малярии накапливаются в крови. Даже при значительных потерях данных предупреждения, как правило, появлялись в среднем в течение 3,5 дней подряд в окне инфекции, что повышало вероятность того, что работники здравоохранения заметят их и примут меры.

Баланс точности, понятности и практичности

Команда сравнила GAN с распространёнными методами заполнения пропусков — от очень простых подходов, таких как перенос последнего значения вперёд, до более сложных статистических моделей. В обеих группах заболеваний GAN в целом давал наиболее точные реконструкции и лучше сохранял естественные суточные колебания сердечного ритма, даже когда более 70 процентов данных отсутствовали. Когда эти улучшенные сигналы подавались в автоматизированные модели обнаружения инфекций, возросли и чувствительность (поимка истинных случаев), и точность (снижение ложных тревог). При этом GAN был спроектирован как лёгкое и быстрое решение, чтобы в будущем его можно было запускать на простых компьютерах или периферийных устройствах в местах с ограниченным питанием и связью.

Что это может значить для повседневной помощи

Для неспециалистов главный вывод таков: пропущенные данные с носимых устройств — это не просто шум, который нужно выбросить. С помощью адекватной интеллектуальной реконструкции эти пробелы можно превратить обратно в значимый предупреждающий сигнал. Исследование показывает, что модель ИИ, обученная на одном заболевании (COVID‑19), может помочь обнаруживать другое (малярию) в совсем иной обстановке, давая работникам здравоохранения на многие случаи неделю или более предварительного уведомления. При безопасном и этичном внедрении такие системы могут помочь работникам первичной медико‑санитарной помощи решить, кого тестировать, когда посещать и как расставлять приоритеты при распределении ограниченных ресурсов, смещая подход от реагирования на полное проявление болезни к тихому обнаружению инфекций, пока ещё есть время вмешаться.

Цитирование: Wallner, J., Berbuir, S., Birner, L. et al. Overcoming Data Loss in Wearable Disease Detection with GAN-Based Imputation. npj Digit. Med. 9, 275 (2026). https://doi.org/10.1038/s41746-026-02518-4

Ключевые слова: носимые датчики, обнаружение инфекционных заболеваний, малярия, импутация пропущенных данных, цифровое здоровье в условиях с ограниченными ресурсами